Академический Документы
Профессиональный Документы
Культура Документы
SKRIPSI
Oleh :
Agus Leksono
J2A 002 002
Agus Leksono
J2A 002 002
Skripsi
Diajukan sebagai syarat untuk memperoleh gelar Sarjana Sains
pada
Program Studi Matematika
i
HALAMAN PENGESAHAN
Mengetahui, Mengetahui,
Ketua Jurusan Matematika Ketua Program Studi Matematika
FMIPA UNDIP Jurusan Matematika FMIPA UNDIP
ii
HALAMAN PENGESAHAN
iii
ABSTRAK
Kata kunci : Traveling Salesman Problem, Ant Colony Optimization, Ant System,
Elitist Ant System, Rank-based Ant System, Max-min Ant System, Ant
Colony System.
iv
ABSTRACT
v
KATA PENGANTAR
tugas akhir ini. Sholawat dan salam penulis sampaikan kepada Rasulullah SAW
mengikuti sunnahnya.
salah satu syarat untuk memperoleh gelar sarjana strata satu pada Fakultas
1. Dr. Widowati, S.Si. M.Si selaku ketua jurusan Matematika FMIPA UNDIP.
2. Drs. Sarwadi, M.Sc, PhD selaku dosen pembimbing I yang dengan sabar
3. Drs. Bayu Surarso, M.Sc, PhD selaku dosen pembimbing II yang dengan
ini.
4. Bapak dan Ibu Dosen Jurusan Matematika FMIPA UNDIP dimana penulis
5. Bapak dan ibunda tercinta yang selalu memberikan segalanya untuk putranya
vi
buat orang gemes, serta dindaq yang selalu menemani dan memberi
semangat.
6. Teman – temanku semua dan semua pihak yang telah membantu hingga
selesainya tugas akhir ini. Yang tidak dapat penulis sebutkan satu persatu.
Semoga Allah membalas segala kebaikan yang telah anda berikan kepada
penulis. Amin.
Penulis menyadari bahwa tugas akhir ini masih jauh dari sempurna. Oleh
karena itu, kritik dan saran yang membangun sangat penulis harapkan. Semoga
Penulis
vii
DAFTAR ISI
Halaman
HALAMAN PENGESAHAN……………………….…….…………….. ii
ABSTRAK…………………...…………….………….………………... iv
ABSTRACT…………………...…………….………….………………. v
KATA PENGANTAR……………………….……….………………….. vi
viii
2.1.3 Definisi Trail dan Path………….……………………… 10
2.2 Optimisasi…………………………….……………….............. 14
Dalam ACO.................................................................... 22
ix
2.9 Ant Colony System (ACS)……………………………………….. 32
Salesman Problem…………………………………………….. 36
untuk TSP…………………………………………….. 38
Algoritma AS ……………………………………… 43
Problem …………………………………………………….. 46
Algoritma EAS.............................................................. 51
Problem ………………………………………………………. 53
x
3.4.3 Pengaruh α , β dan ρ terhadap Performa
Algoritma AS Rank........................................................... 57
Problem .................................................................................... 59
Performa MMAS................................................................ 64
Problem ………………………………………………………... 66
Performanya…................................................................. 72
kasus.…....................................................................…… 81
xi
3.7.5 Perbandingan Algoritma ACO Berdasarkan
DAFTAR PUSTAKA
LAMPIRAN
xii
DAFTAR SIMBOL
7. k : indeks semut
8. m : jumlah semut
xiii
20. ρ best : parameter evaporasi terbaik MMAS untuk menhitung τ min
21. ∆τ rsbs : perubahan nilai Pheromone pada edge (r,s) dalam tour
24. ∆τ rsbest : perubahan nilai Pheromone edge (r,s) dalam tour terbaik
algoritma ASRank
29. Cnn : panjang tour terbaik yang diperoleh dari metode nearest
neighbourhood heuristic
( )
35. J k rk1 : himpunan titik-titik yang belum dan akan dikunjungi oleh
xiv
semut k yang berada dititik rk1
0 ≤ q0 ≤ 1
pada titik r
42. Tabuk(r) : elemen ke r dari Tabuk, yaitu titik ke-r yang dikunjungi
43. d tabuk ( s ),tabuk ( s +1) : jarak edge dari titik s sampai s+1 pada tabu list yang
diperoleh semut k
44. d tabu k ( n ),tabu k (1) : jarak edge dari titik n sampai 1 pada tabu list yang
diperoleh semut k
xv
DAFTAR GAMBAR
Halaman
xvi
Gambar 3.8 Pengaruh Nilai β Terhadap Performa ASRank…........... 58
xvii
DAFTAR TABEL
Halaman
TSP ………………………………………………….... 80
xviii
DAFTAR LAMPIRAN
xix
BAB I
PENDAHULUAN
dengan kota awal juga merupakan kota akhir (tujuan). Meskipun TSP
terutama untuk persoalan dengan jumlah kota yang banyak. Sampai saat
ini belum ada suatu metode eksak yang dapat menjamin keberbhasilan
banyak diaplikasikan pada berbagai persoalan dunia nyata. Hingga saat ini,
pengisian uang pada mesin ATM, rute patroli polisi, rute pesawat terbang
dsb.
semut yang dikenal sebagai system semut (Dorigo, M., dan Gambardella,
dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah
dilalui. Semakin banyak semut yang melalui suatu lintasan, maka akan
semakin jelas bekas jejak kakinya. Hal ini akan menyebabkan lintasan
yang dilalui semut dalam jumlah sedikit, semakin lama akan semakin
dilewati sama sekali. Sebaliknya, lintasan yang dilalui semut dalam jumlah
Pada ACO setiap semut ditempatkan di semua titik graph (dalam hal
ini titik – titik yang dikunjungi) yang kemudian akan bergerak mengunjungi
seluruh titik. Setiap semut akan membuat jalur masing – masing sampai
sudah mencapai keadaan ini, maka semut telah menyelesaikan sebuah siklus
2
(tour). Solusi akhir adalah jalur terpendek dari seluruh jalur yang dihasilkan
3. Job-shop Scheduling Problem (JSP) juga salah satu contoh aplikasi Ant
6. Pewarnaan graph
3
optimasi, salah satunya adalah untuk menentukan jalur terpendek pada
permasalahan TSP.
hard, sehingga sangat sulit untuk mencari solusi dari masalah ini dengan
algoritma ACO (Ant system, Elitist Ant System, Rank Based Ant System,
Max-Min Ant System, dan Ant Colony System) untuk menyelesaikan TSP
tersebut.
Dalam tugas akhir ini masalah hanya akan dibatasi sebagai berikut :
System, Rank-Based Ant System, Max-Min Ant System, dan Ant Colony
System.
4
1.4 Tujuan Penulisan
(TSP).
Rank Based Ant System, Max-Min Ant System, dan Ant Colony System,
dasar teori yang terdiri dari teori graph, optimisasi, Traveling Salesman
Problem, Ant Colony Optimization, Ant system, Elitist Ant System, Rank-
Based Ant System, Max-Min Ant System, dan Ant Colony System. BAB III
yaitu pembahasan yang terdiri dari Algoritma Ant Colony Optimization, Ant
system, Elitist Ant System, Rank Based Ant System, Max-Min Ant System,
5
ACOTSP version 1.0. BAB IV sebagai penutup yang berisi tentang
6
BAB II
DASAR TEORI
elemen – elemen yang disebut titik (vertek), dan suatu daftar pasangan
vertek yang tidak terurut disebut sisi (edge). Himpunan vertek dari suatu
7
Definisi 2.2 (Wilson, R. J dan Watkhins, J. J, 1990)
sama disebut sisi ganda, dan sebuah edge yang mengubungkan sebuah
1
2
Sisi ganda
3
4
loop
Gambar 2.2 Sisi ganda dan loop
himpunan bagian dari E. Dengan kata lain, subgraph dari G adalah suatu
2.3.
8
1 2 1
3
3 3
4 4
V dan himpunan edge E’ = {(1,3), (1,4), (2,4), (3,3), (3,4), (4,2) yang
himpunan bagian dari V dan E. Gambar 2.3 (c) juga merupakan subgraph
E.
dan edge – edge yang dimulai dan diakhiri oleh suatu vertek. Panjang
9
Walk juga dapat diartikan sebagai suatu perjalanan (dalam sebuah
graph) dari vertek satu ke vertek lain yang terhubung dengan suatu edge.
G yang berbentuk
walk antara u dan z. Jika semua edge (tetapi tidak perlu semua vertek)
suatu walk berbeda, maka walk itu disebut trail. Jika semua vertek pada
Jika semua edgenya berbeda, maka walk itu disebut trail tertutup
(close trail). Kemudian close trail dengan semua vertek berbeda disebut
cycle.
10
v w
u
x
z y
memuat edge vw dua kali, titik v, w, y, dan z dua kali. Pada gambar 2.4 di
atas, walk vzzywxy merupakan trail, sedang pada walk vwxyz merupakan
path. Kemudian uvwyzvzu merupakan close trail, sedang close trail zz,
close trail yang memuat setiap edge dari G. Trail semacam ini disebut
trail Euler.
jika ada cycle yang memuat setiap vertek dari G. Cycle semacam ini
11
b c b c b c
a d
g g g
f e f e f e
(i) (ii) (iii)
yaitu :
ditunjukkan dengan anak panah) dan bobot. Gambar 2.6 adalah contoh
graph berarah dan berbobot yang terdiri dari tujuh vertek yaitu vertek
12
2
B E
1 2
2
2
A 1 D G
4 1 2
3
C F
4
2. Graph tidak berarah dan berbobot : setiap edge tidak mempunyai arah
berarah dan berbobot. Graph terdiri dari tujuh vertek yaitu vertek A, B,
2
B E
1 2
2
2
A 1 D G
4 1 2
3
C F
4
13
3. Graph berarah dan tidak berbobot : setiap edge mempunyai arah tetapi
tidak mempunyai bobot. Gambar 2.8 adalah contoh graph berarah dan
tidak berbobot.
B E
A D G
C F
4. Graph tidak berarah dan tidak berbobot : setiap edge tidak mempunyai
arah dan tidak terbobot. Gambar 2.9 adalah contoh graph tidak berarah
B E
A D G
C F
2.2 Optimisasi
14
merujuk pada studi permasalahan yang mencoba untuk mencari nilai
minimal atau maksimal dari suatu fungsi riil. Untuk dapat mencapai nilai
pemilihan nilai variabel integer atau riil yang akan memberikan solusi
Nilai optimal adalah nilai yang didapat melalui suatu proses dan
dianggap menjadi solusi jawaban yang paling baik dari semua solusi yang
dapat berupa besaran panjang, waktu, jarak, dan lain-lain. Berikut ini
15
Selain beberapa contoh di atas, masih banyak persoalan lainnya
terpendek adalah mencari rute yang memiliki jarak terdekat antara titik
asal dan titik tujuan. Gambar 2.10 merupakan suatu graph ABCDEFG
B E
A D G
C F
Gambar 2.10 diatas, misalkan kita dari kota A ingin menuju Kota
A→B→C →D→E →G
A→B→C → D→F →G
A→B→C →D→G
A→B→C →F →G
16
A→B→D→E →G
A→B→D→F →G
A→B→D→G
A→B→E →G
A→C → D→E →G
A→C →D→ F →G
A→C →D→G
A→C →F →G
mencari jarak antara rute-rute tersebut. Apabila jarak antar rute belum
1. Metode Konvensional
17
algoritma Djikstra, algoritma Floyd-Warshall, dan algoritma Bellman-
Ford (Mutakhiroh, I., Saptono, F., Hasanah, N., dan Wiryadinata, R.,
2007).
2. Metode Heuristik
Masalah ini mudah untuk dinyatakan tetapi sangat sulit untuk diselesaikan.
TSP termasuk kelas NP-Hard problem dan tidak dapat diselesaikan secara
18
menggunakan sebuah graph lengkap dan berbobot G = (V, E) dengan V
adalah himpunan dari edge. Setiap edge (r,s) ∈ E adalah nilai (jarak) d rs
yang merupakan jarak dari kota r ke kota s, dengan (r,s) ∈ V. Dalam TSP
simetrik (jarak dari kota r ke titik s sama dengan jarak dari titik s ke titik
⎛ n! ⎞
maka graph tersebut memiliki ⎜⎜ ⎟⎟ buah edge, sesuai dengan
⎝ ((n − 2 )!2!) ⎠
dibawah ini :
kota
5
A B
2
3
3 E edge
4
6 5 2
D C
2
jarak antar kota. Tentukan sirkuit terpendek yang harus dilalui oleh
seorang pedagang bila pedagang itu berangkat dari sebuah kota asal dan
menyinggahi setiap kota tepat satu kali dan kembali lagi ke kota asal
keberangkatan.”
19
Apabila kita mengubah contoh kasus tersebut menjadi persoalan
pada graph, maka dapat dilihat bahwa kasus tersebut adalah bagaimana
tersebut.
12
A B
5
10
8
D C
15
Hamilton, yaitu:
12 12
A B A B A 5 B
9
5 9 10
10 8 8
D C D C D C
15 15
L1 L3
L2
20
Pada gambar 2.13 diatas terlihat jelas bahwa sirkuit Hamilton
1. Tukang Pos mengambil surat di kotak pos yang tersebar pada n buah
kota.
n buah lokasi.
semut yang dikenal sebagai sistem semut (Dorigo, et.al, 1996). Semut
21
Pheromone adalah zat kimia yang berasal dari kelenjar endokrin
mempengaruhi dan dikenali oleh individu lain yang sejenis (satu spesies).
dan akan mengurangi kekuatan daya tariknya. Lebih cepat setiap semut
pulang pergi melalui rute tersebut, maka Pheromone yang menguap lebih
sedikit. Begitu pula sebaliknya jika semut lebih lama pulang pergi melalui
dan sumber makanan berdasarkan jejak kaki pada lintasan yang telah
dilalui. Semakin banyak semut yang melalui suatu lintasan, maka akan
semakin jelas bekas jejak kakinya. Hal ini akan menyebabkan lintasan
22
yang dilalui semut dalam jumlah sedikit, semakin lama akan semakin
dilewati sama sekali. Sebaliknya lintasan yang dilalui semut dalam jumlah
yang berangkat dari arah kiri yang merupakan sarang semut dan kelompok
mana yang akan diambil. Kelompok semut L membagi dua kelompok lagi.
Sebagian melalui jalan atas dan sebagian melalui jalan bawah. Hal ini juga
23
berlaku pada kelompok semut R. Gambar 2.14.b dan gambar 2.14.c
jalan atas telah mengalami banyak penguapan karena semut yang melalui
jalan atas berjumlah lebih sedikit dari pada jalan yang di bawah. Hal ini
cenderung lebih lama. Karena semut yang melalui jalan bawah lebih
semut yang melalui jalan bawah maka semakin banyak semut yang
mengikutinya.
24
2.5 Ant System (AS)
Maniezzo, V., dan Colorni, A., 1996). Algoritma ini tersusun atas
memulai tournya melalui sebuah titik yang dipilih secara acak (setiap
semut memiliki titik awal yang berbeda). Secara berulang kali, satu-
persatu titik yang ada dikunjungi oleh semut dengan tujuan untuk
jarak) titik tersebut dan jumlah Pheromone yang terdapat pada ruas yang
berisi semua titik yang telah dikunjunginya pada setiap tour. Tabulist ini
mendekati optimal.
25
Setelah semua semut menyelesaikan tour mereka dan tabulist
mereka yang sebanding dengan kualitas dari solusi yang mereka hasilkan.
Semakin pendek sebuah tour yang dihasilkan oleh setiap semut, jumlah
semakin besar. Dengan kata lain, edge-edge yang merupakan bagian dari
yang lebih besar. Hal ini menyebabkan edge-edge yang diberi Pheromone
diminati. Dan juga, rute terpendek yang ditemukan oleh semut disimpan
tour yang sama. Proses di atas kemudian diulangi sampai tour-tour yang
alternatif.
26
2.5.1 Aturan Transisi Status
proportional rule (Dorigo, M., Maniezzo, V., dan Colorni, A., 1996), yang
⎧ [τ rs ]α .[η rs ]β untuk s ∈ J rk
⎪⎪
Prsk = ⎨ ∑k [τ ru ] .[η ru ]
α β
..………..……………...……(2.1)
u∈J r
⎪ untuk s lainnya
⎪⎩0
1
antara titik r dan titik s, (η rs ) = adalah visibility (invers dari jarak d rs )
d rs
dan pada persamaan (2.1) kita mengalikan Pheromone pada edge (r,s)
dengan nilai visibility yang sesuai (η rs ). Dengan cara ini kita memilih edge
yang lebih pendek dan memiliki jumlah Pheromone yang lebih besar.
27
2.5.2 Update Pheromone Trail
Pheromone global (Dorigo, M., Maniezzo, V., dan Colorni, A., 1996)
m
τ rs ← (1 − ρ ).τ rs + ∑ ∆τ rsk ………………………..…….….(2.2)
k =1
⎧1
⎪ jika (r, s) ∈tour yang dilakukan oleh semut k
dengan ∆τ = ⎨C k
k
rs ..….(2.3)
⎪⎩0 sebaliknya
berbeda, diberikan tabu list pada masing – masing semut, yaitu sebuah
struktur data yang menyimpan titik – titik yang telah dikunjungi semut dan
tujuannya pada tour berikutnya. Tabuk adalah tabu list untuk semut k.
Tabuk (r) adalah elemen ke-r dari Tabuk, yaitu titik ke-r yang dikunjungi
28
2.6 Elitist Ant System (EAS)
System (EAS), seperti yang dikemukakan Dorigo, M., Maniezzo, V., dan
Colorni, A. (1991a), (1991b), dan (1996). Ide ini berawal ketika adanya
yang ditemukan sejak awal algoritma. Tour terbaik ini dinotasikan sebagai
e
memberi penambahan quantity untuk setiap edge, dimana e
C bs
parameter yang diberikan untuk mendefinisikan nilai tour terbaik (Tbs) dan
sebagai berikut :
m
τ rs ← (1 − ρ ).τ rs + ∑ ∆τ rsk + e∆τ rsbs ………………... (2.4)
k =1
sebagai berikut :
⎧ 1
⎪⎪ C bs , jika edge(r , s ) terdapat pada T
bs
Sebagai catatan untuk EAS, bagian dari algoritma yang lain sama
29
2.7 Rank-Based Ant System (ASRank)
Hartl, R. F., dan Strauss, C., 1997) dan (1999)) merupakan pengembangan
dari AS dan menerapkan elitist strategy. Pada setiap iterasi, metode ini
berikut :
w−1
τ rs = (1 − ρ )τ rs + ∑ (w − z )∆τ rsz + w∆τ rsbs , ………………………... (2.6)
z =1
1 1
Dimana ∆τ rs = z
dan ∆τ rsbs = bs . Cz adalah panjang tour yang dilewati
C C
semut ke-z, Cbs adalah panjang tour terbaik. Hasil dari evaluasi
eksperimen oleh Bullnheimer, B., Hartl, R. F., dan Strauss, C., (1999).
menunjukkan ASrank mempunyai hasil yang lebih baik daripada EAS dan
30
2.8 MAX – MIN Ant System (MMAS)
empat perubahan utama didalam MMAS (Stu¨ tzle, T., dan Hoos, H. H.,
1997) terhadap AS :
yang merupakan bagian dari tour terbaik yang ditemukan sejak awal
yang terbaik.
atau ketika tidak ditemukan tour yang sesuai dengan iterasi yang
diinginkan.
31
2.8.1 Update Pheromone
terbaiknya.
tour (yaitu, sebuah solusi TSP yang mungkin) dengan menerapkan sebuah
32
dikunjunginya dengan menerapkan aturan pembaruan Pheromone lokal
yang telah disebutkan tadi. Setelah semua semut mengakhiri tour mereka,
terjadi pada Ant system, dalam membuat tour, semut ‘dipandu’ oleh
Aturan transisi status yang berlaku pada ACS (Dorigo, M., dan
berikut :
{
⎧arg max τ ru [η ru ]β
⎪ } jika q ≤ q0 (ekploitasi )
s = ⎨ u∈J rk …............….(2.8)
⎪⎩ J , jika tidak (eksplorasi )
33
dari semut k pada titik r yang memilih untuk menuju ke titik s (persamaan
2.1).
dengan titik-titik lainnya dan juga pengetahuan yang telah didapat dan
1
0 < ρ < 1 . ∆τ rsbs adalah , jika (i,j)
(panjang lintasan terbaik keseluruhan )
merupakan bagian panjang lintasan terbaik keseluruhan (Cbs), dan 0 jika
tidak.
pada akhir sebuah iterasi algoritma, saat semua semut telah menyelesaikan
34
sebuah tour. Persamaan diaplikasikan ke edge yang digunakan semut
local updating rule (Dorigo, M., dan Gambardella, L., 1996) menurut
persamaan berikut :
τ rs ← (1 − ξ ).τ rs + ξ .τ 0 .………..…………..….(2.11)
1
jejak Pheromone, τ 0 = dimana n adalah jumlah titik dan Cnn adalah
nC nn
P.M. (1977)].
membangun tour TSP, yaitu ketika melewati edge dan mengubah tingkat
35
BAB III
PEMBAHASAN
(TSP)
dengan titik-titik yang ada hanya dikunjungi sekali dimana titik awal
sama dengan titik akhir. Tujuan dari TSP yaitu mencari tour terpendek
terhadap n titik.
kualitas suatu edge antara titik r dan titik s, informasi ini dihitung
1
sebelum algoritma dijalankan. Dengan η rs = , d rs adalah jarak
d rs
36
• Keempat, (tour construction). Sebuah tour dibangun dengan
heuristik lokal yang ada, yaitu panjang sisi (egde). Semut secara
titik yang masih harus dikunjungi pada setiap langkah dan untuk
rupa sehingga edge dari lintasan yang lebih pendek dan dilewati
37
Secara umum algoritma ACO untuk TSP mengikuti skema
ConstructAntSolutions
ApplyLocalSearch (optional)
UpdatePheromones
Endwhile
2) Banyaknya titik (n) dan juga koordinat (x,y) atau jarak antar titik
38
3) Titik berangkat (awal) dan titik tujuan, dalam kasus TSP titik
⎛ 1 ⎞
7) Visibilitas antar titik ⎜⎜η rs = ⎟⎟ .
⎝ d rs ⎠
algoritma berjalan.
elemen pertama tabu list. Hasil dari langkah ini adalah terisinya
elemen pertama tabu list setiap semut dengan indeks titik tertentu,
yang berarti bahwa setiap tabu k (i ) bisa berisi indeks titik antara 1
sampai n.
39
b) Pemilihan Titik Berikutnya
pertama masing-masing sebagai titik asal dan menuju salah satu titik -
semut akan melanjutkan perjalanan dengan memilih salah satu dari titik
– titik yang tidak terdapat pada tabuk sebagai titik tujuan selanjutnya.
berikut :
n −1
C k = d tabu k (n ) , tabu k (1) + ∑ d tabuk ( s ) , tabu k ( s +1) ............................(3.1)
s =1
Dimana d tabu k ( s ),tabuk ( s +1) merupakan jarak edge dari titik s sampai titik
s+1 pada tabu list yang ditempati oleh semut k, dan d tabuk ( n ),tabuk (1)
40
adalah jarak antara titik n (akhir) dan titik pertama (awal) pada tabu
adalah :
m
∆τ rs = ∑ ∆τ rsk ............................................................................(3.2)
k =1
⎧Q
, untuk (r , s ) ∈ kota asal dan kota tujuan dalam tabu k
⎪⎪ k
∆τ rsk = ⎨ C
⎪0 , untuk (r , s ) lainnya
⎪⎩
selanjutnya.
41
Harga intensitas Pheromone semut antar titik pada semua lintasan
yang baru pada iterasi selanjutnya, jika NCmax belum tercapai atau
yang sama dengan jarak yang sama pula). Algoritma diulang lagi dari
sudah diperbaharui.
masing iterasi. Jarak terpendek inilah yang merupakan solusi terbaik dari
42
3.2.2 Penetapan Parameter Algoritma AS
m
τ0 = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3.3)
C nn
Dimana Cnn adalah panjang sebuah tour terbaik yang diperoleh dari
jumlah titik pada masalah (m = n). Hal ini untuk menghindari jumlah
menempatkan satu semut pada satu titik saja. Hal ini untuk menghindari
penumpukan semut pada satu jalur yang sama yang akan menimbulkan
stagnasi.
43
pengaruh dari parameter – parameter tersebut, berikut diberikan hasil
simulasi dengan ACOTSP, versi 1.0 yang dikembangkan oleh Dorigo dan
••
St u tzle . Permasalahan yang diujikan yaitu att48 dengan α , β , dan ρ
masing – masing dengan nilai : α ∈ {0; 0,2; 0,5; 0,7; 1; 1,5; 2}, β ∈ {0;
0,5; 1; 2; 5; 10; 20} dan ρ ∈ {0,1; 0,3; 0,5; 0,7; 0,9; 1}. Hasil eksperimen
yang diperoleh ditunjukkan pada gambar 3.1 untuk nilai α , gambar 3.2
11500 11407
11400
11300
11200 11099
11040
Jarak Tour
11100
11000 10880 10908
10878 10854
10900
10800
10700
10600
10500
0 0,2 0,5 0,7 1 1,5 2
α
Gambar 3.1 Pengaruh Nilai α terhadap Performa AS
performa hasil yang terbaik dengan panjang tour terbaik 10854 dan
terbaiknya 11407.
44
20000
15000 17503
Jarak Tour
10000 11964
11066 10981 10965 11223 11069
5000
0
0 0,5 1 2 5 10 20
β
Gambar 3.2 Pengaruh Nilai β terhadap Performa AS
performa yang paling baik dengan panjang tour terbaik 10965 dan hasil
optimal dengan panjang tour terbaiknya 10981. Jadi dengan kata lain
β = 2 sampai β = 5 .
11100 11058
11050 11024 11013
11000 10965
Jarak Tour
10950 10921
10879
10900
10850
10800
10750
0,1 0,3 0,5 0,7 0,9 1
ρ
Gambar 3.3 Pengaruh Nilai ρ terhadap Performa AS
45
Gambar 3.3 diatas menunjukkan dengan nilai ρ = 0,5 diperoleh
performa yang paling baik, dengan panjang tour terbaik 10878 dan hasil
terbaiknya 11058.
yang ada, kombinasi ini tidak selalu menghasilkan nilai yang mendekati
3.3 Elitist Ant System (EAS) untuk Traveling Salesman Problem (TSP)
Pada AS, Pheromone di-update pada semua edge yang dilewati semut
hanya pada edge – edge yang dilewati semut saja dan penambahan
dilewati semut dan ada penambahan khusus pada edge – edge yang
46
e
merupakan bagian dari tour terpendek. Penambahan ini sebesar ,
C bs
dan Cbs adalah panjang tour terbaik. Update Pheromone pada EAS ini
edge – edge yang mempunyai jarak pendek dan jumlah Pheromone yang
pencarian apabila semua semut hanya menemukan satu tour yang sama
dengan jarak yang sama pula (konvergensi) atau telah memenuhi NCmax
kembali dan semut memulai pencarian dengan Pheromone awal yang telah
diperbaharui.
sama dengan AS, maka parameter yang digunakan pun hampir sama
dengan AS. Perbedaan yang ada hanya pada parameter e, yang hanya ada
47
Sebagai langkah awal, ditentukan parameter-parameter
kemudian di-update.
48
Perhitungan perubahan intensitas Pheromone pada EAS ini
2.4.
Langkah 5 : Pemberhentian
49
3.3.2 Penetapan Parameter Algoritma EAS
sebagai berikut :
τ0 =
(e + m ) . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . (3.4)
ρC nn
Dimana Cnn adalah panjang sebuah tour terbaik yang diperoleh dari
jumlah titik yang ada pada masalah. Penetapan parameter diatas bisa
berubah sesuai dengan besarnya masalah yang dihadapi kecuali untuk nilai
EAS yaitu m = n. Hal ini untuk menghindari jumlah semut yang berlebih
semut pada satu titik saja. Hal ini untuk menghindari penumpukan semut
50
garuh α , β dan ρ terh
3.3.3 Peng hadap Perfoorma Algoriitma EAS
peng
garuh dari parameter
p – parameter tersebut, bberikut diberrikan hasil
••
t . Permaasalahan yanng diujikan yaitu att488 dengan α , β , dan ρ
St u tzle
10; 20}
2 dan ρ ∈ {0,1; 0,33; 0,5; 0,7; 0,9; 1}. H
Hasil eksperiimen yang
diperroleh ditunjuukkan pada gambar 3.44 untuk nilaii α , gambarr 3.5 untuk
α
mbar 3.4 Pengaaruh Nilai α terhadap Perrforma EAS
Gam
111550.
51
β
mbar 3.5 Pengaaruh Nilai β terhadap Perrforma EAS
Gam
yang
g paling jeleek diperolehh dengan nilai
n β = 0 dengan paanjang tour
terbaaiknya 11828
8.
ρ
mbar 3.6 Pengaaruh Nilai ρ terhadap Perrforma EAS
Gam
52
yang paling jelek diperoleh dengan nilai ρ = 1 dengan panjang tour
terbaiknya 10733.
kombinasi ini tidak selalu menghasilkan nilai yang optimal. Hal ini
dilakukan.
penyelesaiannya juga hampir sama dengan AS. Akan tetapi, dalam system
semut meng – update edge – edge yang telah mereka lalui dengan jumlah
disini hanya dilakukan pada (w-1) semut terbaik dan semut yang memiliki
53
Semut yang ke-z terbaik memberikan kontribusi Pheromone sebesar max
pencarian apabila semua semut telah menemukan tour yang sama dengan
jarak yang sama pula (konvergensi) atau telah memenuhi NCmax yang
diulangi dari langkah ke-2 dan tabu list dari masing-masing semut
berikut :
54
Langkah 2 : Setiap semut membangun solusi dengan aturan transisi
kemudian di-update.
Langkah 5 : Pemberhentian
langkah 2.
55
3.4.2 Penetapan Parameter Algoritma ASRank
0,5 z ( z − 1)
τ0 = . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3.5)
ρC nn
Dimana Cnn adalah panjang tour terbaik yang diperoleh dari metode
mendekati optimal dalam ASRank yaitu sama dengan jumlah titik pada
titik hanya boleh ditempati satu semut saja, hal ini untuk menghindari
56
garuh α , β dan ρ terh
3.4.3 Peng hadap Perfoorma Algoriitma ASRankk
perfo
orma hasil yang
y diperoleh pada AS
SRank, sehinggga untuk mengetahui
m
peng
garuh dari parameter
p – parameter tersebut berikut diberrikan hasil
simu
ulasi dengan ACOTSP, vversi 1.0 yanng dikembanngkan oleh Dorigo
D dan
••
t . Permassalahan yanng diujikan yaitu
St u tzle y eil101 dengan α , β , dan ρ
10; 20}
2 dan ρ ∈ {0,01; 0,005; 0,1; 0,55; 0,9; 1}. H
Hasil eksperrimen yang
diperroleh ditunjuukkan pada gambar 3.77 untuk nilaii α , gambarr 3.8 untuk
α
Gambar 3.7 Pengarruh Nilai α terhadap
t forma ASRank
Perfo
723.
57
β
Gambar 3.8 Pengarruh Nilai β terhadap
t forma ASRank
Perfo
yang
g paling jeleek diperolehh dengan nilai
n β = 0 dengan paanjang tour
terbaaiknya 693.
ρ
Gambar 3.9 Pengarruh Nilai ρ terhadap
t forma ASRank
Perfo
58
Gambar 3.9 diatas menunjukkan hasil tour yang paling mendekati
optimal dengan panjang tour terbaik 633 diperoleh pada saat nilai ρ = 0,1
dan hasil yang paling jelek diperoleh dengan nilai ρ = 1 dengan panjang
kombinasi ini tidak selalu menghasilkan nilai yang optimal. Hal ini
dilakukan.
algoritma Ant System (AS) setelah EAS dan ASRank. Algoritma MMAS
Pheromone-nya berbeda.
yang mirip dengan AS, secara jelasnya berikut langkah – langkah pada
Algoritma MMAS :
59
• Pertama, menginisialisasi parameter dan penempatan semut awal pada
sejumlah n titik.
awal algoritma (best so-far tour) atau bisa juga pada tour terbaik yang
ditambahkan pada keduanya baik best so-far tour dan iteration best-
telah menemukan satu tour yang sama dengan jarak yang sama pula
dicatat, yaitu :
ini bisa pada salah satu atau keduanya sekaligus. Hal ini tergantung
60
pada pengguna, sesuai dengan penetapan parameter yang dipilih pada
awal algoritma.
menyelesaikan TSP (Stu¨ tzle, T., dan Hoos, H. H., 1997), parameter yang
1
τ0 = . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . (3.6)
ρC nn
Dimana Cnn adalah panjang sebuah tour terbaik yang diperoleh dari
61
ada pada masalah. Batas atas nilai Pheromone ( τ max ) dan batas bawah (
1
τ max = . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .
ρC bs
(3.7)
dimana Cbs adalah panjang tour terbaik yang ditemukan sejak awal
algoritma berjalan.
τ min =
(
τ max 1 − n ρ best ) . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .(3.8)
((avg − 1) n ρ best )
Dimana avg adalah rata – rata jumlah dari pilihan yang berbeda pada
nilai ρ best = 0,05 . Penetapan parameter diatas bisa berubah sesuai dengan
sesuai dengan persamaan 3.6, nilai τ max yang dihitung sesuai persamaan 3.7,
dan nilai τ min yang dihitung sesuai persamaan 3.8. Jumlah semut yang
menempatkan satu semut pada satu titik saja. Hal ini untuk menghindari
penumpukan semut pada satu jalur yang sama yang akan menimbulkan
stagnasi.
62
3.5.3 Inisialisasi Nilai Pheromone
sangat explorative.
batas atas nilai Pheromone, diberikan hasil eksperimen (Stu¨ tzle, T., dan
Hoos, H. H., 1997) yang dapat dilihat pada tabel 3.1 yang dibandingkan
diperoleh hasil yang lebih baik, kecuali pada satu masalah dengan kategori
63
Tabel 3.1. Hasil eksperimen inisialisasi Pheromone untuk batas atas
MMAS dapat dilihat dari hasil eksperimen (Stu¨ tzle, T., dan Hoos, H. H.,
1997) pada tabel 3.2. Dalam eksperimen ini digunakan iterasi maksimum
2500.n, Penetapan parameter standar sama seperti pada tabel 3.5 dengan
kecuali untuk ρ best = 0,0005 . Dibandingkan nilai ρ best yang lain, nilai
nilai batas bawah masih lebih baik. Untuk ρ best = 0,005 mempunyai hasil
64
terbaik hanya pada masalah yang sangat besar yaitu, pada lin318.
Sedangkan untuk ρ best = 0,05 mempunyai hasil terbaik pada masalah yang
cukup besar yaitu pada dl98 dan kro100, dan untuk ρ best = 0,5 mempunyai
hasil yang mendekati optimal pada masalah berkategori kecil yaitu pada
eil51.
Tabel 3.2. Hasil eksperimen nilai batas bawah Pheromone dan tanpa batas
bawah Pheromone.
ρ best = 0,0005 ρ best = 0,005 ρ best = 0,05 ρ best = 0,5
Masalah τ min = 0
Performa MMAS juga dipengaruhi oleh Cib atau Cbest yang dipilih
tersebut terhadap performa MMAS dapat dilihat pada tabel 3.3, dalam
eksperimen (Stu¨ tzle, T., dan Hoos, H. H., 1997) digunakan nilai batas
Cib + limit diperoleh hasil yang lebih baik dibandingkan dengan Cbest +
limit. Begitu pula pada Cib – no – limit juga lebih baik dibandingkan
yang terbaik dibandingkan dengan yang lainnya. Dari sini dapat dikatakan
65
bahwa MMAS akan mempunyai performa yang lebih baik bila update
Tabel 3.3. Hasil eksperimen Best so-far tour (Cib) Vs Iteration best-tour
3.6 Ant Colony System (ACS) untuk Traveling Salesman Problem (TSP)
1. {Fase Inisialisasi}
For s = 1 to n do
τ(r,s) : = τ 0
End-for
End-for
66
{ Jk ( rk1 ) adalah himpunan titik – titik yang belum dan akan
End-for
di tour k}
For i : = 1 to n do
If i < n
Then
For k : = 1 to m do
(2.1)
Jk ( s k ) : = Jk ( rk ) - s k
End-for
Else
For k : = 1 to m do
s k : = rk1
67
Tourk (i) : = (rk , s k )
End-for
End if
For k : = 1 to m do
End-for
End-for
For k : = 1 to m do
End-for
(2.9)}
End-for
4. If (End_Condition = True)
Else go to fase 2
68
3.6.3 Penjelasan Algoritma ACS
dan titik awal untuk setiap semut tidak akan berubah selama algoritma
berjalan. Tour yang dilakukan oleh setiap semut dimulai dari sebuah
ada dengan setiap titik hanya dikunjungi sekali saja, kemudian kembali
menghubungkan antara titik dimana semut berada saat ini dengan titik
yang akan ditujunya, dan jumlah Pheromone yang ada pada edge
tersebut.
telah lebih dahulu melewati edge tersebut. Edge yang lebih pendek
69
dengan jumlah Pheromone yang lebih besar akan mendapat prioritas
dalam tabu list-nya untuk menandakan bahwa edge dan titik tersebut
merupakan bagian dari tour mereka. Pada saat ini juga, posisi semut
telah berubah dari titik awal menjadi titik yang telah dituju dan semut
semua semut telah mengunjungi n-1 titik, titik berikutnya yang akan
dituju adalah titik awal dari masing-masing semut. Setiap semut akan
posisinya saat ini dengan titik awal dari masing-masing semut, lalu
dari setiap semut dihitung dan dipilih yang paling pendek. Tour
terpendek yang dihasilkan ini dijadikan sebagai tour terbaik pada saat
sebelumnya. Jika panjang tour terbaik saat ini lebih pendek daripada
panjang tour terbaik yang sebelumnya maka panjang tour dari semut
yang menghasilkan tour terbaik saat ini dijadikan sebagai tour terbaik
70
yang baru dan tabu list semut tersebut dimasukkan ke dalam tabu list
Jika sebaliknya maka proses pencarian akan dilanjutkan dan tabu list
Pada algoritma ACS , ada beberapa hal penting yang perlu dicatat,
yaitu:
1. Untuk melakukan perbandingan antara tour terbaik saat ini dengan tour
tour terbaik awal. Nilai tour terbaik awal (Cnn) ini dapat diperoleh
pada proses pencarian tour terbaik yang pertama akan diperoleh nilai
masing - masing. Tabu list ini berupa panjang tour, dan koleksi edge-
edge dan titik - titik yang merupakan bagian dari tour mereka. Nilai
71
dari masing-masing tabu list ini akan dikosongkan kembali setiap kali
dimana 0< ρ <1 dan nilai ∆τ diperoleh dari invers terhadap panjang
tour terbaik yang paling akhir yang ditemukan oleh semut sejak
dimulainya pencarian.
72
nilai Pheromone ini terjadi pada setiap langkah ketika semut membangun
sebuah tour.
Ket :
Average Pheromone-
Closeness Product
: BE (Best Edges)
: TE ( Testable Edges)
: UE (Uninteresting Edges)
1 i n
Langkah
(ii) Edge dengan tour bukan yang terbaik, tetapi masih memungkinkan
untuk menjadi edge dengan tour terbaik pada dua iterasi berikutnya
(iii) Bukan edge dengan tour terbaik ataupun yang masih memiliki peluang
Unintereresting Edges).
terjadi pada edge dengan TE ( pers. (2.1) dan pers. (2.8), edge dengan nilai
73
Aspek menarik terjadi saat semut melewati sebuah edge, ketika
edge berkurang dan kehilangan daya tarik, sehingga edge yang telah
dilewati tidak akan dilewati lagi oleh semut yang lainnya. Dengan kata
lain, pengaruh dari pembaruan lokal ini adalah untuk membuat tingkat
ketertarikan edge – edge yang ada berubah secara dinamis. Setiap kali
seekor semut melewati sebuah edge maka edge ini dengan segera akan
sama. Fakta ini, yang telah diamati dengan melakukan percobaan Dorigo
semut membuat tour - tour yang berbeda maka akan terdapat kemungkinan
yang lebih tinggi dimana salah satu dari mereka akan menemukan solusi
yang lebih baik daripada jika mereka semua berkumpul dalam tour yang
Pheromone menjadi lebih baik. Tanpa pembaruan lokal, semua semut akan
mencari pada lingkungan yang sempit dari tour terbaik yang telah
ditemukan sebelumnya.
74
Pheromone pada edge TE setelah iterasi algoritma berlangsung (lihat
gambar 3.10). Begitu pula edge pada TE juga akan mengalami penurunan
1
τ0 = . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . (3.9)
(
nC nn )
Dimana Cnn adalah panjang sebuah tour terbaik yang diperoleh dari
ada pada masalah. Penetapan parameter diatas bisa berubah sesuai dengan
acak pada setiap titik dan setiap titik hanya ditempati satu semut saja.
75
3.7 Perbandingan Algoritma – Algoritma ACO
berikut :
• Jumlah iterasi yang dilakukan lebih sedikit, hal ini karena edge –
baik.
76
3) Kelebihan – kelebihan ASRank adalah sebagai berikut :
lebih banyak, hal ini karena semut lebih menyukai edge yang
untuk dipilih.
lebih baik. Pada jumlah titik masalah yang besar akan membuat
inisialisasi kembali.
77
(exploration) edge-edge yang baru dengan eksploitasi
tidak akan dilewati lagi oleh semut yang lainnya. Hal ini
yang banyak.
kerja yang ada pada masing – masing algoritma ACO, yang ditunjukkan
78
Tabel 3.4 Perbedaan cara kerja pada algoritma-algoritma ACO
Algoritma Konstruksi Tour Evaporasi Update Pheromone
AS Random Proportional Rule Semua edge dengan faktor Menambahkan Pheromone pada semua edge yang dikunjungi
konstan ρ terendah. semut.
EAS Random Proportional Rule Semua edge dengan faktor Menambahkan Pheromone pada semua edge yang dikunjungi
konstan ρ terendah. semut, menambahkan Pheromone pada edge-edge yang
merupakan bagian dari tour terbaik (jarak terpendek).
AS Rank Random Proportional Rule Semua edge dengan faktor Mengelompokkan semut berdasarkan panjang pendek tournya
konstan ρ terendah. (peringkat); menambahkan Pheromone pada edge-edge yang
dikunjungi semut dan sesuai dengan rank dari setiap semut.
MMAS Random Proportional Rule Semua edge dengan faktor Pheromone bisa ditambahkan pada edge – edge yang
konstan ρ terendah. merupakan bagian dari best tour yang ditemukan sejak awal
algoritma (best so-far tour) atau pada egde-edge yang
merupakan bagian best tour yang ditemukan pada setiap
iterasi(iteration best-tour). Penambahan Pheromone boleh
juga ditambahkan pada keduanya. Terdapat interval
penambahan intensitas Pheromone sebesar [τ min ,τ max ] .
ACS Pseudorandom Proportional Rule Hanya pada edge – edge yang Hanya menambahkan Pheromone pada edge – edge yang
merupakan bagian dari best- merupakan bagian dari tour terbaik yang ditemukan sejak
so-far tour yang terlemah awal algoritma dijalankan.
79
3.7.3 Parameter Terbaik pada Setiap Algoritma ACO
algoritma ACO untuk TSP, maka diperoleh penetapan parameter yang bisa
algoritma-algoritma ACO.
Algoritma ACO α β ρ m τ0
m
AS 1 2 sampai 5 0,5 n
C nn
(e + m )
EAS 1 2 sampai 5 0,5 n
ρC nn
0,5 z (z − 1)
AS Rank 1 2 sampai 5 0,1 n
ρC nn
1
MMAS 1 2 sampai 5 0,02 n
ρC nn
1
ACS - 2 sampai 5 0,1 10
nC nn
algoritma variasi AS :
EAS : parameter e = n.
80
1
MMAS : Batas nilai Pheromone adalah τ max = dan
ρC bs
τ min =
(
τ max 1 − n ρ best ) dengan nilai ρ
((avg − 1) n ρ best ) best = 0,05.
baik.
masing algoritma (AS, EAS dan ASRank), maka diberikan hasil percobaan
Bullnheimer, B., Hartl, R. F., dan Strauss, C., (1997) pada tabel 3.6.
kecuali pada ASRank dengan nilai ρ = 0,5 dan w = 6 semut terbaik yang
kasus dengan jumlah titik yang bervariasi yaitu 30 titik, 57 titik, 80 titik,
96 titik, dan 132 titik. Untuk nilai error (selisih relatif antara solusi terbaik
81
solusi terbaik − optimal
error = x100% . . . . . . . . . . . . . . . (3.10).
optimal
Dari tabel 3.6 dapat diketahui bahwa performa algoritma EAS dan
ASRank lebih baik dibandingkan dengan AS. Pada kasus 30 titik hanya AS
yang memperoleh hasil kurang optimal dengan error 0,04 %, begitu pula
82
pada kasus 57 titik dan 80 titik masing – masing memiliki error 0,45 %
dan 0,64 %. Sedangkan EAS dan ASRank mampu memperoleh hasil yang
optimal.
Pada kasus yang lebih besar (96 titik dan 132 titik) dari ketiga
EAS dan ASRank jauh lebih baik dibandingkan dengan AS. Pada kedua
kasus (96 titik dan 132 titik) tersebut, EAS dan ASRank memiliki error
ditunjukkan oleh ASRank dengan error paling sedikit yaitu 0,19 % untuk
ditunjukkan oleh ASRank pada semua kasus, sedangkan EAS lebih baik dari
Stu¨ tzle, T., dan Hoos, H. H. (1997) untuk algoritma MMAS sedangkan
seperti pada tabel 3.5. Dalam percobaan ini dilakukan pada kasus dengan
jumlah titik yang bervariasi yaitu eil51 (51 titik), kroA100 (100 titik),
83
d198 (198 titik), att532 (532 titik), dan rat783 (783 titik), dengan nilai
mempunyai hasil yang optimal pada dua kasus, yaitu eil51 dan kroA100.
Sedangkan pada kasus d198 ACS mempunyai hasil yang lebih baik
mempunyai error 1,01 % dari nilai optimal yang diketahui. Untuk dua
kasus dengan tipe besar (att532 dan rat783) menunjukkan hasil yang
sebaliknya, yaitu MMAS mempunyai hasil yang lebih baik daripada ACS.
ACS dan MMAS sama – sama mempunyai hasil yang optimal untuk
masalah bertipe kecil. Sedangkan untuk masalah bertipe sedang ACS lebih
84
3.7.5 Perbandingan Algoritma ACO Berdasarkan Jumlah Iterasi
percobaan Dorigo, M., dan Stu¨tzle, T. ( 2004) pada gambar 3.5. Pada
gambar 3.5 kasus yang digunakan adalah kasus TSP simetri kroA100 (100
80
% Deviation Terhadap Tour Optimal
70
60
AS
50
EAS
40 ASrank
MMAS
30
ACS
20
10
0
1 5 10 50 100 500 1000 5000 10000
Jumlah Iterasi
(100 titik).
hasil yang lebih baik dibandingkan algoritma yang lain dengan jumlah
iterasi yang sedikit (sampai iterasi ke-50an). Pada iterasi ke 500 dan
85
dibandingkan algoritma yang lain, kecuali dengan algoritma ASRank.
kurang bagus dibandingkan algoritma yang lain. Tetapi, mulai pada iterasi
pula pada iterasi ke-250 algoritma ASRank lebih baik daripada AS. Pada
yang lain. Dengan kata lain, semakin besar jumlah iterasi yang diberikan
yang lebih baik dibandingkan dengan AS dan ASRank pada iterasi ke-10
sampai iterasi ke-250. Selanjutnya, dengan iterasi yang lebih besar dari
dengan jumlah iterasi yang sedikit, MMAS sedikit lebih baik dibandingkan
dengan ASRank hanya sampai dengan iterasi ke-60. setelah itu, sampai
MMAS lebih baik daripada AS dan sedikit lebih baik daripada EAS mulai
iterasi ke-850an.
86
Sama halnya dengan ketiga algoritma yang lainnya (AS, ASRank,
bagus pada awal – awal iterasi. Tetapi, mulai iterasi ke-10 algoritma EAS
yang lainnya pada iterasi ke-50 sampai iterasi ke-350an. Setelah itu,
algoritma ASRank dengan jumlah iterasi yang besar dan pada saat jumlah
iterasi sedikit hanya algoritma ACS yang mempunyai hasil paling bagus.
maka, diberikan hasil percobaan Dorigo, M., dan Stu¨tzle, T. ( 2004) pada
gambar 3.12 dan gambar 3.13. Pada gambar 3.12 kasus yang digunakan
adalah kasus TSP simetri d198 (198 titik), dengan parameter – parameter
yang digunakan seperti pada tabel 3.5, kecuali untuk nilai β , yaitu dengan
87
nilai β = 5 untuk semua algoritma. Dengan batas waktu maksimum yang
ditentukan adalah 1000 detik. Untuk data selengkapnya dapat dilihat pada
lampiran 2.
25
% Deviation Terhadap Tour Optimal
AS
20
EAS
15 ASrank
MMAS
10 ACS
0
0.1 0.5 1 5 10 50 100 500 1000
Waktu CPU ( detik)
Gambar 3.12. Grafik performa algoritma ACO berdasarkan waktu CPU pada
waktu awal, hal ini terjadi sampai sekitar detik ke-2. Setelah itu, sampai
sekitar detik ke-50 algoritma ACS hanya kurang bagus dari algoritma
ASRank . Pada sekitar detik ke-60-an dan seterusnya Algoritma ACS hanya
lebih baik dari algoritma AS dan EAS saja, sedangkan MMAS dan ASRank
ACS, hal ini terjadi hanya pada sekitar 2 detik awal saja. Algoritma ASRank
juga lebih baik daripada algoritma yang lainnya pada sekitar detik ke-95
88
Algoritma EAS mempunyai performa yang lebih baik hanya
EAS lebih baik hanya sampai sekitar mendekati detik ke-50. setelah itu
oleh algoritma ACS, walau pada akhir waktu algoritma ACS mempunyai
yang lainnya, tetapi pada akhir waktu performanya menjadi yang terbaik.
Pada gambar 3.13 kasus yang digunakan adalah kasus TSP simetri
pada tabel 3.5, kecuali untuk nilai β , yaitu dengan nilai β = 5 untuk
89
semua algoritma. Dengan batas waktu maksimum yang ditentukan adalah
30
25 AS
EAS
20
ASrank
15
MMAS
10 ACS
5
0
0
00
00
0
1
10
50
00
10
50
10
50
10
Waktu CPU (detik)
algoritma hampir sama dengan kasus pada gambar 3.12 (kasus d198).
Tetapi, pada kasus rat783 ini performa algoritma ACS menjadi paling
bagus dari awal waktu sampai waktu maksimum yang ditentukan, hanya
algoritma MMAS, pada awal waktu memiliki performa kurang baik tetapi
algoritma yang lainnya. Pada algoritma AS, pada awal waktu mempunyai
90
Tetapi, semakin lama algoritma ini mempunyai performa kurang baik
lebih baik daripada MMAS dan ASRank, tetapi pada akhir waktu hanya
pada awalnya performanya hanya lebih baik daripada MMAS saja, tetapi
baik dibandingkan dengan ACS dan MMAS pada akhir waktu yang
ditentukan.
Dari kedua kasus yang ada, dapat dikatakan bahwa tidak ada
algoritma yang mempunyai performa sama baik untuk dua kasus yang
yang tidak sama untuk mencapai hasil terbaiknya. Tetapi, dari kedua
kasus yang telah dibahas dapat dikatakan bahwa waktu sangat berpengaruh
terhadap performa yang dihasilkan oleh setiap algoritma. Dengan kata lain,
sendirinya.
91
3.7.7 Hasil Simulasi Algoritma ACO
Software ini dibuat dengan program ANSI C dalam system operasi Linux,
menggunakan GNU 2.95.3 gcc compiler. Dalam tugas akhir ini, system
diperoleh untuk setiap percobaan tidak sama, walaupun dalam kasus dan
waktu yang digunakan yaitu 120 detik. Hasil terbaik dari 10 kali
percobaan inilah yang diambil sebagai hasil yang terbaik. Dalam tugas
yang digunakan yaitu parameter pada tabel 3.5 untuk semua algoritma
algoritma.
92
• Hasil simulasi Algoritma ACO dengan kasus bersumber dari TSPLIB
ulysses22, eil51, eil76, kroA100, d198, lin318, d493, p654, u724, dan
rat783. Berikut hasil yang diperoleh dari penyelesaian kasus – kasus diatas
93
Tabel 3.8. Perbandingan hasil perhitungan AS, EAS, ASRank, MMAS dan ACS
AS EAS ASRank MMAS ACS
Kasus N Best Tour Waktu Best Tour Waktu Best Tour Waktu Best Tour Waktu Best Tour Waktu
(mil) (dtk) (mil) (dtk) (mil) (dtk) (mil) (dtk) (mil) (dtk)
ulysses22 22 7.046 25,95 7.013 26,28 7.013 25,25 7.013 2,00 7.013 35,83
eil51 51 438 20,86 427 0,83 426 0,83 426 0,14 426 4,52
eil76 76 550 51,41 541 7,17 539 4,36 538 78,74 538 15,25
kroA100 100 22.821 8,6 21.655 78,30 21.417 10,14 21.282 76,55 21.308 67,53
d198 198 17.076 15,51 16.470 47,94 16.140 38,30 16.135 107,93 16.032 71,35
lim318 318 45.879 119,04 43.678 107,64 42.908 109,09 42.783 115,73 42.694 98,69
d493 493 39.553 32,16 38.667 104,09 38.272 120,22 37.138 119,66 37.666 110,09
p654 654 39.957 25,78 38.432 76,37 38.368 99,54 37.902 121,66 36.548 111,57
u724 724 48.289 55,15 47.567 117,49 46.844 122,52 46.115 115,69 43.831 119,73
rat783 783 10.312 54,49 10.098 105,40 10.262 10,262 9.955 122,86 9.705 116,15
Keterangan tabel :
N : menyatakan jumlah titik pada setiap kasus.
Best Tour : menyatakan total jarak minimal yang dilalui semut dalam satuan mil.
Waktu : waktu CPU (CPU time) yang diperlukan untuk proses perhitungan setiap kasus dalam satuan detik.
Cetak tebal : hasil tour yang terbaik diantara kelima algoritma diatas.
94
Hasil simulasi yang ditunjukkan oleh tabel 3.8 diatas, dapat
diketahui bahwa performa hasil yang paling jelek untuk semua kasus
dimiliki oleh AS. Performa hasil yang terbaik dimiliki oleh ACS,
yang lebih bagus hanya bila dibandingkan dengan AS saja, tetapi pada
dengan MMAS dan ACS, tetapi lebih baik daripada AS dan EAS. ASRank
memiliki performa yang kurang bagus pada kasus terbesar rat783 bila
baik bila dibandingkan dengan AS, EAS, dan ASRank, tetapi kurang bagus
yang paling jelek dengan jarak tour yang dihasilkan yaitu 7.046 mil. Untuk
kasus eil51 hanya algoritma AS dan EAS yang hasilnya kurang bagus,
bagus yaitu 426 mil. Kasus eil76 hanya MMAS dan ACS yang memiliki
penyelesaian paling baik yaitu 538 mil, sedangakan untuk kasus kroA100
dan d493 hanya MMAS yang memiliki penyelesaian yang terbaik masing –
masing sebesar 21.282 mil dan 37.138 mil. Untuk kasus yang lainnya
95
Dari hasil simulasi diatas tidak berbeda jauh dengan hasil yang
terbaik algoritma ACS. Tetapi, pada beberapa kasus ACS belum tentu
memiliki performa yang terbaik begitu pula dengan algoritma yang lainnya
belum tentu jadi yang terjelek. Setiap algoritma dipengaruhi oleh beberapa
faktor tertentu sehingga hasil yang diperoleh akan berbeda pada tiap kasus
yang diselesaikan.
penghitungan kasus yang dibuat sendiri mulai dari jumlah titik terendah
yaitu 20 titik sampai 115 titik (data selengkapnya lihat lampiran 4).
96
Tabel 3.9. Perbandingan hasil perhitungan Algoritma ACO
97
95 652 4.470 3631 625 3.430 8127 621 0.410 144 620 4.400 2479 620 0.710 3845
100 668 5.980 3599 631 3.260 11265 631 0.090 80 628 9.860 10318 628 9.780 65785
105 675 4.890 2713 654 9.950 25266 640 0.120 96 636 7.130 7837 635 0.110 2364
110 705 8.500 4416 670 0.770 1674 669 0.130 117 664 1.360 696 663 2.010 8717
115 742 8.890 5957 709 0.880 913 709 0.240 148 704 0.900 462 704 2.920 10381
Keterangan tabel :
Best : menyatakan total jarak minimal yang dilalui semut dalam satuan mil.
Wkt : waktu CPU (CPU time) yang diperlukan untuk proses perhitungan setiap kasus dalam satuan detik.
Itr : jumlah iterasi yang diperlukan untuk proses penghitungan setiap kasus untuk mencapai tour terbaik.
Cetak tebal : hasil tour yang terbaik diantara kelima algoritma diatas.
82
98
Hasil simulasi yang ditunjukkan oleh tabel 3.9 diatas, dapat
diketahui bahwa performa terbaik dimiliki oleh Algoritma ACS dan yang
terjelek algoritma AS. Pada kasus – kasus yang mempunyai jumlah titik
yang mempunyai hasil terjelek dengan tour terbaiknya 483 mil sedangkan
mil. Sedangkan kasus lainnya hanya algoritma MMAS dan ACS yang
kasus 90 titik, 105 titik, dan 110 titik. Performa algoritma EAS lebih baik
dari AS, tetapi lebih jelek daripada algoritma ASRank, MMAS dan ACS.
Kecuali untuk kasus 50 titik algoritma EAS lebih baik daripada ASRank.
hampir sama dengan hasil yang diperoleh pada kasus TSPLIB. Algoritma
Dari hasil simulasi yang diperoleh pada tabel 3.8 dan tabel 3.9,
dapat diambil kesimpulan bahwa tidak ada hubungan antara waktu dan
99
dalam
m mencari tour terbaikknya mengguunakan jum
mlah semut yang
y sama
deng
gan jumlah titik masalaah (kecuali algoritma A
ACS dengann 10 semut
G
Gambar 3.14. Grafik
G performma algoritmaa ACO berdassarkan jumlahh
i
iterasi pada kaasus 100 titik
k.
Gambar 3.14
3 merperllihatkan perfforma algoriitma ACO berdasarkan
b
jumlaah iterasi, hasil simulasi yang dilakkukan pada kkasus 100 tiitik. Secara
umum
m hasil yangg diperoleh pada
p simulassi hampir sam
ma dengan eksperimen
e
100
sedan
ngkan algorritma AS mempunyai performa
p yanng kurang bagus
b pada
Dorig
go, M.,.& Stu¨tzle,
S T. ( 2004) alggoritma ASRRank yang terbaik pada
G
Gambar 3.15. Grafik perforrma algoritmaa ACO berdassarkan waktu
p
perhitungan C
CPU pada kasus 100 titik.
Gambar 3.15
3 merperllihatkan perfforma algoriitma ACO berdasarkan
b
wakttu perhitunggan CPU, haasil simulasi dilakukan pada kasuss 100 titik.
palin
ng lama algoritma MMASS yang terbaaik.
101
BAB IV
PENUTUP
4.1 Kesimpulan
Rank Based Ant System, Max-Min Ant System, dan Ant Colony System)
tempuh salesman.
102
diselesaikan, karena dalam mencari tour terbaiknya algoritma
tetapi tergantung dari waktu yang diperlukan untuk mencapai hasil tour
terbaik.
4.2 Saran
dan algoritma ini dapat dimodifikasi sesuai dengan aplikasi masalah yang
ini maka masih banyak hal yang perlu dibenahi dan disempurnakan lagi.
103
DAFTAR PUSTAKA
Bullnheimer, B., Hartl, R. F., dan Strauss, C. (1997). A new rank based version of
the Ant System—A computational study. Technical report, Institute of
Management Science, University of Vienna, Austria.
Bullnheimer, B., Hartl, R. F., dan Strauss, C. (1999). An improved ant system
algorithm for the vehicle routing problem. Technical report, Institute of
Management Science, University of Vienna, Austria.
Dorigo, M., dan Gambardella, L. M. (1997). Ant colonies for the traveling
salesman problem. Tech.Rep/IRIDIA/1996-003, Université Libre de
Bruxelles, Belgium.
Dorigo, M., dan Gambardella, L., (1996). Ant Colony System: A Cooperative
learning Approach to the Traveling Salesman Problem.
Tech.Rep/IRIDIA/1996-005, Université Libre de Bruxelles, Belgium.
Dorigo, M., Maniezzo, V., dan Colorni, A. (1991a). Positive feedback as a search
strategy. Technical report 91-016, Dipartimento di Elettronica,
Politecnico di Milano, Milan.
Dorigo, M., Maniezzo, V., dan Colorni, A. (1991b). The Ant System: An
autocatalytic optimizing process. Technical report 91-016 revised,
Dipartimento di Elettronica, Politecnico di Milano, Milan.
Dorigo, M., Maniezzo, V., dan Colorni, A. (1996). The Ant System: Optimization
by a colony of cooperating agents. IEEE Transactions on Systems, Man,
and Cybernetics—Part B, 26(1), pp.1-13.
104
Dorigo, M., dan Socha K. (2007), An Introduction to Ant Colony Optimization,
Tech.Rep/IRIDIA/2006-010, Université Libre de Bruxelles, Belgium.
Dorigo, M., dan Stu¨tzle, T. ( 2004). Ant colony optimization. A Bradford book.
The MIT Press Cambridge, Massachusetts London, England.
Irawanto, B., Sarwadi, dan Surarso, B. (2004), Buku Ajar Program Linear,
Jurusan Matematika Undip. Semarang.
Mutakhiroh, I., Saptono, F., Hasanah, N., dan Wiryadinata, R,. (2007).
Pemanfaatan Metode Heuristik Dalam Pencarian Jalur Terpendek
Dengan Algoritma Semut dan Algoritma Genetik. Seminar Nasional
Aplikasi Teknologi Informasi. ISSN: 1907-5022. Yogyakarta.
Rosenkrantz, D.J, Stearns, R.E, dan Lewis, P.M. (1977). “An analysis of several
heuristics for the traveling salesman problem,” SIAM Journal on
Computing, vol. 6, pp. 563–581.
Stu¨ tzle, T., dan Hoos, H. H. (1997). The MAX-MIN Ant System and local
search for the traveling salesman problem. In T. Ba¨ck, Z. Michalewicz,
& X. Yao (Eds.), Proceedings of the 1997 IEEE International Conference
on Evolutionary Computation (ICEC’97) (pp. 309–314). Piscataway, NJ,
IEEE Press.
TSPLIB : http://elib.zib.de/pub/Packages/mp-testdata/tsp/tsplib/tsplib.html.
Diakses tanggal 27 desember 2008. pukul 05.45 wib.
105
Lampiran 1.a
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan jumlah iterasi pada kasus kroA100 (error dalam %)
Iterasi
1 5 10 50 100 500 1000 5000 10000
ke -
AS 70.8 70.8 67.2 32.6 24.5 24.5 24.5 24.5 24.5
EAS 70.8 70.8 63.6 13.5 6.3 6.3 6.3 6.3 6.3
ASrank 70.8 70.8 70.8 67.65 40 5 2 2 2
MMAS 70.8 70.8 70.8 68.55 61.35 11.7 5.6 5.6 5.6
ACS 30 11.7 10.8 11.7 9.45 5.4 5.4 5.4 5.4
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan jumlah iterasi pada kasus kroA100 (panjang tour)
Iterasi
1 5 10 50 100 500 1000 5000 10000
ke -
AS 36349.656 36349.656 35583.504 28219.932 26496.09 26496.09 26496.09 26496.09 26496.09
EAS 36349.656 36349.656 34817.352 24155.07 22622.766 22622.766 22622.766 22622.766 22622.766
ASrank 36349.656 36349.656 36349.656 35679.273 29794.8 22346.1 21707.64 21707.64 21707.64
MMAS 36349.656 36349.656 36349.656 35870.811 34338.507 23771.994 22473.792 22473.792 22473.792
ACS 27666.6 23771.994 23580.456 23771.994 23293.149 22431.228 22431.228 22431.228 22431.228
106
Lampiran 2.
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus d198 (error dalam %))
Waktu
0.1 0.5 1 5 10 50 100 500 1000
(detik)
AS 20.53 19.06 10.53 8.8 7.73 7.46 6.53 6 6
EAS 20.26 18.8 9.3 7 5.2 4.4 3.2 2.8 2.8
ASrank 17.86 12.8 8.8 5.3 3 2.48 2.13 2 2
MMAS 20.6 19.3 17.6 15.86 10.1 4.26 2 1.33 1.2
ACS 10.4 9.06 7.6 6.46 4.93 3.73 2.8 2.53 2.53
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus d198 (panjang tour)
Waktu
0.1 0.5 1 5 10 50 100 500 1000
(detik)
AS 19019.634 18787.668 17441.634 17168.64 16999.794 16957.188 16810.434 16726.8 16726.8
EAS 18977.028 18746.64 17247.54 16884.6 16600.56 16474.32 16284.96 16221.84 16221.84
ASrank 18598.308 17799.84 17168.64 16616.34 16253.4 16171.344 16116.114 16095.6 16095.6
MMAS 19030.68 18825.54 18557.28 18282.708 17373.78 16452.228 16095.6 15989.874 15969.36
ACS 17421.12 17209.668 16979.28 16799.388 16557.954 16368.594 16221.84 16179.234 16179.234
107
Lampiran 3.
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus rat783 (error dalam %)
Waktu
1 5 10 50 100 500 1000 5000 10000
(detik)
AS 29.58 21 18.75 16.6 16.13 16 14.5 14.16 13.6
EAS 30.4 20 18.3 16.45 13.13 11 9.5 8.75 8.13
ASrank 31.25 24.1 21.08 17.08 15.25 12.7 6.25 2.9 2.9
MMAS 32.08 31 30.3 29.8 26.45 18.75 13.3 8.3 1
ACS 17.08 16 14.8 11.95 6.6 3.75 2.5 2.08 1.87
Hasil eksperiment (Dorigo, M.,.& Stu¨tzle, T. ( 2004)) perbandingan algoritma ACO berdasarkan waktu CPU pada kasus rat783 (panjang tour)
Waktu
1 5 10 50 100 500 1000 5000 10000
(detik)
AS 11410.8148 10655.26 10457.125 10267.796 10226.4078 10214.96 10082.87 10052.9296 10003.616
EAS 11483.024 10567.2 10417.498 10254.587 9962.2278 9774.66 9642.57 9576.525 9521.9278
ASrank 11557.875 10928.246 10662.3048 10310.0648 10148.915 9924.362 9356.375 9061.374 9061.374
MMAS 11630.9648 11535.86 11474.218 11430.188 11135.187 10457.125 9977.198 9536.898 8894.06
ACS 10310.0648 10214.96 10109.288 9858.317 9387.196 9136.225 9026.15 8989.1648 8970.6722
108
Lampiran 4
Koordinat Masalah
No X Y No X Y No X Y
1. 41 49 41. 42 7 81. 55 54
2. 35 17 42. 24 12 82. 15 47
3. 55 45 43. 23 3 83. 14 37
4. 55 20 44. 11 14 84. 11 31
5. 15 30 45. 6 38 85. 16 22
6. 25 30 46. 2 48 86. 4 18
7. 20 50 47. 8 56 87. 28 18
8. 10 43 48. 13 52 88. 26 52
9. 55 60 49. 6 68 89. 26 35
10. 30 60 50. 47 47 90. 31 67
11. 20 65 51. 49 58 91. 15 19
12. 50 35 52. 27 43 92. 22 22
13. 30 25 53. 37 31 93. 18 24
14. 15 10 54. 57 29 94. 26 27
15. 30 5 55. 63 23 95. 25 24
16. 10 20 56. 53 12 96. 22 27
17. 5 30 57. 32 12 97. 25 21
18. 20 40 58. 36 26 98. 19 21
19. 15 60 59. 21 24 99. 20 56
20. 45 65 60. 17 34 100. 18 18
21. 45 20 61. 12 24 101. 30 12
22. 45 10 62. 24 58 102. 23 45
23. 55 5 63. 27 69 103. 56 28
24. 65 35 64. 15 77 104. 35 37
25. 65 20 65. 62 77 105. 47 19
26. 45 30 66. 49 73 106. 56 28
27. 35 40 67. 67 5 107. 67 45
28. 41 37 68. 56 39 108. 76 33
29. 64 42 69. 37 47 109. 12 79
30. 40 60 70. 37 56 110. 65 54
31. 31 52 71. 57 68 111. 76 45
32. 35 69 72. 47 16 112. 34 78
33. 53 52 73. 44 17 113. 56 78
34. 65 55 74. 46 13 114. 36 27
35. 63 65 75. 49 11 115. 88 33
36. 2 60 76. 49 42
37. 20 20 77. 53 43
38. 5 5 78. 61 52
39. 60 12 79. 57 48
40. 40 25 80. 56 37
109
Lampiran 5
Contoh Hasil perhitungan algoritma ACO untuk beberapa kasus
Max – tries : 1
Max - tours : 100
Max - time : 10 /* seconds */
optimum : 1
ants : 20
nnants : 20
alpha : 1
beta : 5
rho : 0.5
q0 : 0.0
nnls : 20
localsearch : 0
dlb : 1
as.flag : 1
eas.flag : 0
ras.flag : 0
mmas.flag : 0
bwas.flag : 0
acs.flag : 0
end try 0
end problem 20
Max – tries : 1
Max - tours : 100
Max - time : 10 /* seconds */
optimum : 1
ants : 25
nnants : 20
alpha : 1
beta : 5
rho : 0.5
q0 : 0.0
elitistants : 25
nnls : 20
110
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 1
ras.flag : 0
mmas.flag : 0
bwas.flag : 0
acs.flag : 0
end try 0
end problem 25
Max – tries : 1
Max - tours : 100
Max - time : 10 /* seconds */
optimum : 1
ants : 30
nnants : 20
alpha : 1
beta : 5
rho : 0.1
q0 : 0.0
rasranks : 6
nnls : 20
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 0
ras.flag : 1
mmas.flag : 0
bwas.flag : 0
acs.flag : 0
111
best 333 iteration 4 tour 122 time 0.000
best 324 iteration 7 tour 212 time 0.000
best 323 iteration 15 tour 452 time 0.000
best 322 iteration 28 tour 842 time 0.000
end try 0
end problem 30
Max – tries : 1
Max - tours : 100
Max - time : 10 /* seconds */
optimum : 1
ants : 35
nnants : 20
alpha : 1
beta : 5
rho : 0.5
q0 : 0.0
nnls : 20
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 0
ras.flag : 0
mmas.flag : 1
bwas.flag : 0
acs.flag : 0
end try 0
end problem 35
112
ACO algorithms for the TSP, V1.0
Parameter-settings
Max – tries : 1
Max - tours : 100
Max - time : 10 /* seconds */
optimum : 1
ants : 80
nnants : 20
alpha : 1
beta : 5
rho : 0.1
q0 : 0.9
nnls : 20
localsearch : 0
dlb : 1
as.flag : 0
eas.flag : 0
ras.flag : 0
mmas.flag : 0
bwas.flag : 0
acs.flag : 1
end try 0
end problem 80
113
Lampiran 6
Hasil simulasi algoritma ACO berdasarkan jumlah iterasi pada kasus 100 titik (Jarak Tour (mil))
Iterasi ke- 1 5 10 50 100 500 1000 2500 5000 7500 10000 50000
AS 793 775 713 703 703 682 665 665 665 662 662 662
EAS 804 750 711 663 650 646 646 640 636 636 636 636
ASrank 771 729 693 657 636 631 631 631 631 631 631 631
MMAS 805 784 758 751 726 657 628 628 628 628 628 627
ACS 769 711 694 661 650 649 648 630 630 630 630 630
Hasil simulasi algoritma ACO berdasarkan jumlah iterasi pada kasus 100 titik (Deviasi (%))
Iterasi
ke- 1 5 10 50 100 500 1000 2500 5000 7500 10000 50000
AS 26,67732 23,80192 13,89776 12,30032 12,30032 8,945687 6,230032 6,230032 6,230032 5,750799 5,750799 5,750799
EAS 28,4345 19,80831 13,57827 5,910543 3,833866 3,194888 3,194888 2,236422 1,597444 1,597444 1,597444 1,597444
ASrank 23,16294 16,45367 10,70288 4,952077 1,597444 0,798722 0,798722 0,798722 0,798722 0,798722 0,798722 0,798722
MMAS 28,59425 25,23962 21,08626 19,96805 15,97444 4,952077 0,319489 0,319489 0,319489 0,319489 0,319489 0,159744
ACS 22,84345 13,57827 10,86262 5,591054 3,833866 3,674121 3,514377 0,638978 0,638978 0,638978 0,638978 0,638978
114
Lampiran 7
Hasil simulasi algoritma ACO berdasarkan waktu perhitungan CPU pada kasus 100 titik (Jarak Tour (mil))
Waktu (dtk) 0 0,01 0,05 0,1 0,5 1 5 10 50 100
AS 728 720 713 690 673 665 665 665 662 662
EAS 728 703 676 661 648 646 641 641 641 639
ASrank 725 703 685 657 631 631 631 631 631 631
MMAS 728 724 704 641 640 640 630 628 628 627
ACS 711 693 668 637 632 632 632 628 628 628
Hasil simulasi algoritma ACO berdasarkan waktu perhitungan CPU kasus 100 titik (Deviasi (%))
Waktu
0 0,01 0,05 0,1 0,5 1 5 10 50 100
(dtk)
AS 16,29393 15,01597 13,89776 10,22364 7,507987 6,230032 6,230032 6,230032 5,750799 5,750799
EAS 16,29393 12,30032 7,98722 5,591054 3,514377 3,194888 2,396166 2,396166 2,396166 2,076677
ASrank 15,8147 12,30032 9,42492 4,952077 0,798722 0,798722 0,798722 0,798722 0,798722 0,798722
MMAS 16,29393 15,65495 12,46006 2,396166 2,236422 2,236422 0,638978 0,319489 0,319489 0,159744
ACS 13,57827 10,70288 6,709265 1,757188 0,958466 0,958466 0,958466 0,319489 0,319489 0,319489
115